前言
SLAM 是近年來很火紅的一個技術，也有不少文章在介紹，不過我很少看到針對一些頂級演算法的深入介紹，所以才想透過這篇文章來開始深入很久以前玩過的LSD SLAM，也跟大家一起學習這個迷人的演算法。建議有興趣的讀者先讀過這篇平易近人的 Visual SLAM 簡介，然後再繼續往下看，會更有感覺！
先放一張 LSD-SLAM 建出來的地圖，讓大家感受一下帥度。
安裝方式
安裝方式可以到 LSD-SLAM 的 github page 看看，筆者很久以前跑過 Ubuntu 12.04 上面的版本，建議可以看看作者的溫馨提示，比較容易建出好的地圖。
如果想看中文的安裝教學，也可以看看這一篇 LSD-SLAM 編譯過程 (Ubuntu 14.04 + ROS Indigo)
演算法簡介
從上圖中我們可以看到，LSD-SLAM 演算法的一個特色就在於它不需要計算特徵點，這個特色在 real-time 的應用中滿重要的，畢竟一般影像是以 30 fps
的速率進來，也就是一張影像只能處理 33 ms，要怎麼在這麼短的時間內就處理完一幀，是一個問題。有些計算特徵的演算法雖然厲害(例如 SIFT、ORB)，但計算時間太長，佔掉 30 ms 的一大部分，就很難在 real-time 應用中派上用場。
LSD-SLAM的基本想法就是利用所有 pixel 資訊不斷計算目前相機所在的位置，等到目前的位置離前一個 keyframe 足夠遠，就儲存一張新的 keyframe。並且在過程中不斷計算 depth map 形成 point cloud map，也不斷對 map 做 optimization 計算。
如此一來，就可以形成一個完整的 map，整個 map 就是一個巨大的 pose graph，graph 裡面的 vertice 是 keyframe，edge 就是連接 keyframe 的 3D similarity transform。
總結
這篇很簡單地介紹了 LSD-SLAM，算是一個起頭，讓大家對這個演算法有基本的認識，之後我會慢慢深入裡面的細節，也會逐漸變得好玩！
延伸閱讀
- 雷鋒網 SLAM 相關文章
- 相機位姿估計0：基本原理之如何解PNP問題
- SLAM Tutorial@ICRA 2016
- 高翔大神的blog
- CMU Designing Computer Vision Apps - lecture 19
關於作者：
@pojenlai 演算法工程師，對機器人跟電腦視覺有少許研究，最近在鍛鍊自己的執行力
